(19)中华 人民共和国 国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202111362020.X (22)申请日 2021.11.17 (71)申请人 大连理工大 学 地址 116024 辽宁省大连市甘井 子区凌工 路２ 号 (72)发明人 覃振权　李东升　卢炳先　王雷　 朱明　孙伟峰　 (74)专利代理 机构 辽宁鸿文知识产权代理有限 公司 21102 代理人 苗青 (51)Int.Cl. G06F 30/15(2020.01) G06F 30/17(2020.01) G06F 30/27(2020.01) G06N 3/04(2006.01)G06N 3/08(2006.01) G06F 119/02(2020.01) (54)发明名称 一种基于图卷积网络和无监督域自适应的 航空发动机剩余使用寿 命预测方法 (57)摘要 本发明属于航空发动机的剩余寿命预测领 域， 提出一种基于图卷积网络和无监督域自适应 的航空发动机剩余使用寿命预测方法， 首先对有 标签的源域航空发动机传感器数据和没有标签 的目标域航空发动机传感器数据进行预处理； 其 次， 通过最大信息系数算法对不同传感器数据之 间的相关性进行计算， 获得航空发动机传感器数 据的图数据集； 然后， 使用基于门控循环单元和 改进的图卷积网络来提取传感器数据的局部特 征和公共结构全局特征， 并将特征进行融合； 最 后， 通过设计的目标函数对模型参数进行更新， 来训练获取域不变特征， 对无标签的目标域航空 发动机传感器数据的剩余使用寿命标签进行高 准确度预测。 本发明提高了航空发动机的无监督 跨域预测准确性。 权利要求书4页 说明书10页 附图2页 CN 114048546 A 2022.02.15 CN 114048546 A 1.一种基于图卷积网络和无监督域自适应的航空发动机剩余使用寿命预测方法， 其特 征在于， 步骤如下： (1)数据预处 理： 将获取到的某种工况和故障模式下的航空发动机全部寿命的传感器信号作为源域数 据， 另一种工况和故障模式下的未达到最终寿命的航空发动机传感器信号作为目标域数 据； 在CMAPSS数据集中， 选取有变化趋势能为航空发动机的退化趋势的分析以及剩余使用 寿命的预测提供帮助的传感器数据作为原始输入数据， 并对航空发动机传感器信号做归一 化处理； 利用滑动时窗方法拆分航空发动机从开始使用到运行完全停止的传感器数据， 获 得相同时间长度下的传感器的子时间序列数据； 采用分段线性退化模型来标记航空发动机 数据每一时刻的标签， 即将当前时刻到发动机运行到失败的时长作为该时刻的剩余使用寿 命； 分段线性退化模型将超过130以上的剩余使用寿命标记为130， 低于130的标签保持不 变； (2)生成传感器之间的图数据集： 使用最大信 息系数来计算传感器之间的非线性相关性， 并根据其相关性的大小确定不 同传感器节点之间的图邻接矩阵； 根据获得的图邻接矩阵生成以传感器数据为节点的图数 据集； 基于最大信息系数的传感器邻接矩阵计算方法： 其中， I(xi,xj)＝H(xi)‑H(xj)‑H(xi,xj) 式中， B(n)函数的取值以领域知 识为基准， 将其 设置为B(n)＝n0.6； 和nxj分别代表两 种数据轴方向上的分区数量， n代表所取的数据点的数量， xi和xj分别代表不同的传感器数 据； 根据不同传感器之间的相关性系数作为其邻 接矩阵的系数， 表示不同传感器之间的关 系， 获得不同数据集的图结构A， 其公式如下： 其中， μ是根据先验知识设置的阈值； 由此得到图数据集G(Xinput,A)， 其中Xinput为传感器 输入数据； (3)深层特 征提取： (3.1)利用门控循环单元GRU提取航空发动 机图数据集的时间依赖特征， 并将其更新作 为传感器的节点特 征， 从而得到更新之后的图数据集G(GRU(Xinput),A)； (3.2)利用改进 的基于无监督域自适应的图卷积网络GCN对不同工况和故障模式数据权　利　要　求　书 1/4 页 2 CN 114048546 A 2的领域特征进 行提取， 得到航空发动机深层领域特征； 改进的基于 GCN的特征提取结构分为 三部分： 源GCN模块、 目标GCN模块以及全局GCN模块； 源GCN模块和目标GCN模块分别用于提 取和领域相关 的特征， 全局GCN模块根据两个领域的传感器在步骤(2)中计算的图结构， 根 据其相似性计算出一个公共结构， 通过全局方法分别提取源域和目标域的特 征； 具体如下： 改进的基于GCN的特征提取结构使用了一个包含局部GCN和全局GCN的双通道空间信息 提取模块， 其构建过程 为： (3.2.1)改进的基于无监 督域自适应的GCN结构分为以下两个模块： 源GCN模块和目标GCN模块： 在获得经步骤(2)和步骤(3.1)处理的图数据 集之后， 将得到的源域数据和目标域数据 输入到图同构卷积层中， 以更新节点特 征： 其中， 是第k次迭代后图的节点v的更新特征表示， 为第k‑1次迭代后图的 节点v的特征表示， 为第k‑1次迭代后相邻节点u的特征表示， MLP为训练的多层感知 器， N(v)表示节点v的邻接节点集， u表示节点v的邻接节点， θu表示不同传感器之间相关性 的权值； (3.2.2)全局GCN模块： 为了捕捉到和传感器数据结构相关的域不变全局信 息， 设计了一种根据不同域结构相 似性的全局GCN模块； 首先对源域和目标域的图数据的邻 接矩阵做相似性计算， 得到一个共享的传感器数据 数据结构： AG＝f(AS,AT) 其中， AG表示经过计算获得的公共图邻接矩阵， AS和AT分别代表源域图数据和目标域图 数据的图邻接矩阵， f(,)公式代表不同域数据邻接矩阵的计算函数； 该函数计算两个图的 最大公共子图， 同时弱化只有一个图相连的传感器关系， 忽略两个图都不相连的图结构， 该 函数表示 为： f(AS,AT)＝mcs(AS,AT)+w w＝w1·abs(AS‑AT) 其中， mcs(,)公式为计算最大 公共子图的函数， w为单连接矩阵， w1为设置的单连接矩阵 参数， abs(,)公式为 绝对值公式； 在获得共享图结构之后， 更新数据的邻接矩阵， 用于全局信息的提取； 与源域GCN模块和目标域GCN模块不同， 全局GCN模块不仅通过相邻的节点进行更新， 还 考虑与它相聚多跳的节点的信息， 通过增大范围来提升聚合能力， 对于不同的节点跳数， 先 对与中心 节点相距两条的节点特 征进行聚合， 更新相距一跳节点的特 征， 其公式如下： 权　利　要　求　书 2/4 页 3 CN 114048546 A 3